Datos históricos: qué significan (y qué no)
Los datos históricos son información registrada del pasado sobre variables de mercado como precios, operaciones o indicadores derivados de los precios. En la práctica, lo que se denomina “datos históricos” no son solo los precios brutos; también incluye las decisiones tomadas al almacenar y preparar esa información: cómo se manejan las marcas de tiempo, qué se filtra y cómo se tratan los valores faltantes.
Una limitación clave es que las relaciones históricas son descriptivas del pasado bajo condiciones específicas. No implican que las mismas relaciones se mantendrán en el futuro, especialmente cuando cambian los costos, la ejecución, la liquidez o el comportamiento del mercado.
Mecánica y dependencias detrás del análisis de datos históricos
Usar datos históricos en un contexto de forex generalmente implica: (1) elegir un conjunto de datos, (2) definir una alineación temporal, (3) calcular cualquier serie derivada y (4) ejecutar una prueba de una regla o modelo contra esa línea de tiempo. Las consideraciones avanzadas se centran en las dependencias: factores que pueden cambiar silenciosamente los resultados sin alterar la lógica aparente.
Origen de los datos, formato y alineación de marcas de tiempo
Diferentes fuentes pueden representar el “mismo” mercado con diferentes convenciones de tiempo (hora del servidor vs. hora local), diferente construcción de barras (cuándo abre/cierra una barra) y diferente manejo de los cambios de horario de verano. Incluso si aparece el mismo par de divisas, la secuencia exacta de precios en marcas de tiempo dadas puede diferir.
Si se agregan ticks en barras, se deben declarar los supuestos: qué ventana de tiempo define una barra, si las barras se construyen a partir de puntos medios de bid/ask o de una cotización específica, y cómo se tratan los ticks desordenados. Sin una alineación clara, dos análisis pueden discrepar mientras ambos afirman usar “datos históricos”.
Preprocesamiento: limpieza, datos faltantes y cambios similares a los corporativos
Incluso en los mercados de forex, los datos pueden contener vacíos (cobertura de horas de mercado, interrupciones de la fuente), impresiones anormales o valores faltantes internos. Los pasos comunes de preprocesamiento—eliminar filas, rellenar hacia adelante, suavizar o eliminar valores atípicos—pueden alterar materialmente los resultados.
Una regla general estable es documentar cada transformación. Si se suaviza o se eliminan valores atípicos, la serie “histórica” puede dejar de representar lo que realmente ocurrió, sino una versión modificada.
Opciones de muestreo y características derivadas
Si se remuestrea (por ejemplo, de un marco temporal más fino a uno más grueso), los resultados pueden cambiar porque las reglas basadas en barras reaccionan a diferentes máximos/mínimos y diferentes tiempos de cierre. De manera similar, las características derivadas—promedios móviles, estimaciones de volatilidad o momentum—dependen de las ventanas de retroceso y de si el cálculo utiliza solo datos disponibles hasta el momento de la decisión.
Un ejemplo simple de dependencia: si una estadística móvil de 20 períodos se calcula usando el cierre de la barra pero se supone que la decisión ocurre en la apertura de la barra, se ha introducido información del futuro (incluso si es solo dentro de la misma definición de barra).
Evidencia: cómo las pruebas históricas pueden engañar, incluso cuando se implementan correctamente
El análisis de datos históricos a menudo falla de maneras predecibles. Estos no son “errores misteriosos”; son problemas estructurales de desajuste entre cómo se representan los datos históricos y cómo ocurrirían realmente las decisiones y la ejecución.
Sesgo de anticipación y errores de sincronización
El sesgo de anticipación ocurre cuando la prueba utiliza información que no habría estado disponible en el momento en que se toma la decisión. Esto puede suceder mediante:
- Usar datos de cierre de barra para simular la entrada en el cierre de la barra sin modelar que las entradas ocurren después de que se conoce el cierre.
- Calcular indicadores a lo largo de toda la barra cuando la estrategia solo conocería parte de la barra.
- Referenciar accidentalmente marcas de tiempo futuras en cálculos móviles.
La consideración avanzada es definir un “momento de decisión” explícito y luego verificar que cada entrada utilizada para una decisión provenga estrictamente de puntos temporales anteriores.
Desajuste de ejecución y costos de transacción
Incluso sin rendimientos prometedores, es crucial modelar costos realistas y restricciones de ejecución al comparar el rendimiento histórico. El desajuste de ejecución incluye spreads, comisiones, deslizamiento, órdenes parcialmente ejecutadas y el momento de la orden en relación con las cotizaciones observadas.
Si el conjunto de datos históricos proporciona solo precios medios pero la simulación supone ejecuciones al precio medio, los resultados pueden ser sistemáticamente optimistas. Si se ignoran los spreads o se asume un deslizamiento cero, las estimaciones de rendimiento pueden ser engañosas.
Cambios de régimen y no estacionariedad
El comportamiento del forex puede cambiar con el tiempo debido a eventos macro, condiciones de liquidez o cambios en la estructura de volatilidad. Un modelo que se ajusta a un período puede fallar en otro.
Una consideración avanzada es tratar el “tiempo” como un factor: el rendimiento debe evaluarse en múltiples períodos no superpuestos, y se debe buscar evidencia de que los resultados colapsan al pasar a diferentes regímenes. Esto se trata de verificación, no de predicción.
Sobreajuste y efectos de selección
Cuando se ajustan parámetros repetidamente en el mismo conjunto de datos históricos, se puede aprender ruido en lugar de señal. Incluso si nunca se usan datos “futuros”, se puede sobreajustar mediante la selección iterativa.
Una consideración avanzada es separar el proceso en conjuntos de datos o fases distintas (por ejemplo, estimación vs. evaluación) y mantener el período de evaluación intacto hasta el final.
Limitaciones y riesgos: al menos un modo de fallo material
Un modo de fallo material es la “inconsistencia del pipeline”: el pipeline de datos históricos utilizado durante el desarrollo difiere del pipeline utilizado durante la evaluación. Por ejemplo, se podría:
- Limpiar los datos de manera diferente entre ejecuciones,
- Cambiar la construcción de barras o el manejo de la zona horaria,
- Recalcular indicadores con diferentes definiciones de retroceso,
- O alterar los supuestos de costos.
Debido a que estos pasos no siempre son visibles en la lógica de la estrategia de alto nivel, la misma idea puede parecer que funciona en una ejecución y fallar en otra. El riesgo no son solo los malos resultados; es la falsa confianza debido a supuestos ocultos.
Otras limitaciones incluyen segmentos de datos faltantes o incompletos, manejo indefinido de vacíos e incertidumbre sobre si el conjunto de datos representa cotizaciones negociables.
Verificación y próximas preguntas que puedes responder de forma independiente
Para verificar las afirmaciones sobre el análisis de datos históricos, concéntrate en la reproducibilidad y los supuestos transparentes.
- Reproduce las transformaciones de datos: comienza con el conjunto de datos original, aplica las mismas reglas de alineación de marcas de tiempo y limpieza, y confirma que las series derivadas coinciden.
- Reproduce el modelo de sincronización: declara explícitamente el momento de decisión vs. el momento de disponibilidad de datos, y verifica si hay oportunidades de anticipación.
- Prueba de estrés de costos y ejecución: realiza análisis de sensibilidad para rangos de spreads, comisiones y deslizamiento consistentes con tus supuestos.
- Valida en ventanas de tiempo: evalúa en múltiples períodos no superpuestos y evita seleccionar parámetros usando los mismos datos de evaluación.
A continuación, pregunta: ¿Qué marcas de tiempo exactas definen cada barra? ¿De dónde provienen los valores faltantes y cómo se manejan? ¿Cuál es la regla para el cálculo de indicadores en relación con el momento de decisión? Responder estas preguntas convierte los “datos históricos” de un insumo vago en un pipeline de datos verificable y comprobable.